本發(fā)明涉及遙感監(jiān)測，尤其涉及一種草地生物量的遙感監(jiān)測方法及系統。

背景技術：

1、隨著遙感技術和生態(tài)監(jiān)測需求的快速發(fā)展，草地生物量的監(jiān)測已成為精準農業(yè)和生態(tài)管理中的重要環(huán)節(jié)。草地生物量作為草地生態(tài)系統的重要表征指標，不僅能夠反映草地的生產力，還能提供草地健康狀態(tài)及其動態(tài)變化的信息。然而，由于草地的空間異質性和時空動態(tài)性，現有草地生物量的遙感監(jiān)測技術在精度和適用性方面面臨諸多挑戰(zhàn)。

2、在現有技術中，傳統的草地生物量遙感監(jiān)測方法多依賴于單一數據源或基于簡單經驗模型的估算方法。這些方法在面對復雜地形、多樣化草地生態(tài)環(huán)境以及動態(tài)變化的生物量特征時，往往表現出顯著的局限性。具體來說，現有方法主要在以下幾個方面存在不足：

3、1.數據融合能力不足：現有技術通常僅依賴單一遙感數據源或簡單的多源數據疊加，缺乏有效的數據融合機制，導致監(jiān)測數據維度單一，無法充分反映草地生態(tài)系統的復雜特征；

4、2.模型精度不高：傳統的草地生物量估算模型多基于線性回歸或簡單的指數公式，未能充分考慮非線性因素及草地異質性特征，導致模型的適應性和預測精度較低；

5、3.對動態(tài)變化響應不充分：現有方法對草地生物量的時空動態(tài)特性缺乏深入分析，無法準確捕捉季節(jié)性變化和異質性分布特征，導致監(jiān)測結果在動態(tài)評估中的可靠性不足；

6、4.不確定性處理能力薄弱：傳統遙感監(jiān)測方法缺乏對多源數據不確定性量化和傳播的有效分析，難以評估監(jiān)測結果的可靠性并優(yōu)化數據處理過程；

7、5.空間分辨率與覆蓋范圍的矛盾：現有技術難以平衡高空間分辨率與大范圍覆蓋的需求，單純依賴無人機或衛(wèi)星數據無法實現草地生物量的精細化監(jiān)測與全面覆蓋。

8、因此，如何提供一種草地生物量的遙感監(jiān)測方法及系統是本領域技術人員亟需解決的問題。

技術實現思路

1、本發(fā)明的一個目的在于提出一種草地生物量的遙感監(jiān)測方法及系統，本發(fā)明采用多模態(tài)遙感數據融合、深度學習神經網絡建模和動態(tài)時空特征分析等技術，詳細描述了實現草地生物量精準估算與動態(tài)監(jiān)測的具體步驟，具備數據融合效率高、模型預測精度高和動態(tài)變化響應能力強的優(yōu)點。

2、根據本發(fā)明實施例的一種草地生物量的遙感監(jiān)測方法及系統，包括如下步驟：

3、s1、利用多模態(tài)遙感數據融合技術，集成無人機影像、高分辨率衛(wèi)星影像及時序遙感數據，生成跨分辨率、多時相的聯合特征空間，并提取草地光譜特征、紋理特征和幾何結構特征，構建表征草地生態(tài)系統狀態(tài)的高維特征矩陣；

4、s2、基于高維特征矩陣和動態(tài)時空特征分析框架，采用時序變化分解和空間異質性聚類方法，生成草地生物量的時空關聯參數，構建草地動態(tài)變化特征描述集；

5、s3、利用動態(tài)變化特征描述集，結合深度神經網絡和多任務優(yōu)化算法，訓練非線性生物量預測模型，實現針對多源數據特性和草地異質性分布的高精度草地生物量估算；

6、s4、將預測模型結果與高分辨率影像進行聯合分析，應用區(qū)域分割技術針對異質性草地區(qū)域進行分層處理，生成精細化的草地生物量分區(qū)估算結果，以捕捉草地復雜局部變化；

7、s5、對分區(qū)估算結果和多模態(tài)數據進行不確定性傳播分析，采用不確定性量化優(yōu)化算法，對監(jiān)測數據的誤差來源進行評估，輸出優(yōu)化后的草地生物量估算結果；

8、s6、通過無人機與衛(wèi)星遙感的協同監(jiān)測機制，將分區(qū)估算結果與跨時空尺度數據相結合，動態(tài)更新時空關聯參數，優(yōu)化草地生物量監(jiān)測結果在時間維度上的實時性與空間維度上的完整性；

9、s7、根據優(yōu)化后的監(jiān)測數據，生成高分辨率的草地生物量空間分布圖和動態(tài)變化趨勢分析結果，形成對草地生態(tài)系統狀態(tài)和草地生物量變化的綜合評估。

10、可選的，所述s1具體包括：

11、s11、獲取無人機遙感影像數據，通過多光譜傳感器采集草地表面細節(jié)信息，生成高分辨率影像，同時獲取覆蓋研究區(qū)域的多時相高分辨率衛(wèi)星影像數據及其他遙感數據；

12、s12、對無人機影像和衛(wèi)星影像進行數據預處理，包括輻射校正、幾何校正及噪聲去除，生成標準化影像集，使多源數據在光譜、幾何和時間維度的可比性；

13、s13、應用數據配準算法，對不同分辨率和多時相的遙感數據進行空間對齊，利用sift算法對影像進行幾何配準，生成跨分辨率、多時相的遙感數據集；

14、s14、提取遙感數據的多模態(tài)特征，包括光譜特征、紋理特征及幾何結構特征，光譜特征采用歸一化植被指數ndvi及增強型植被指數evi計算：

15、

16、其中，nir表示近紅外波段反射率，r表示紅光波段反射率，b表示藍光波段反射率；

17、s15、提取影像的紋理特征，采用灰度共生矩陣計算影像的對比度、同質性和能量指標，生成多維紋理特征矩陣；

18、s16、提取遙感影像的幾何結構特征，結合分水嶺分割算法和邊緣檢測算法識別草地地形邊界和形態(tài)結構，生成與空間分布相關的幾何特征描述集；

19、s17、構建表征草地生態(tài)系統狀態(tài)的高維特征矩陣，將提取的光譜特征、紋理特征及幾何結構特征融合為聯合特征向量。

20、可選的，所述s2具體包括：

21、s21、利用高維特征矩陣中的時序遙感數據，建立時間序列分解模型，通過加權移動平均方法提取季節(jié)性和趨勢性變化特征：

22、

23、其中，t(t)為時間序列的趨勢成分，x(t-i)為前i時刻的觀測值，w(i)為加權因子，n為移動窗口長度；

24、s22、結合空間異質性聚類方法，通過基于密度的空間聚類算法對高維特征矩陣中的空間特征進行聚類處理，生成草地區(qū)域內的空間分區(qū)；

25、s23、對每一空間分區(qū)的動態(tài)特征進行分析，構建以時間和空間維度為核心的草地生物量動態(tài)變化模型：

26、m(x,t)＝f(s(x),t(t),p(x,t))；

27、其中，m(x,t)表示位置x和時間t上的動態(tài)特征，s(x)為空間特征，t(t)為時序特征，p(x,t)為外部影響因子；

28、s24、通過自適應時間窗口方法，動態(tài)更新分區(qū)內的時空關聯參數，根據草地生物量的季節(jié)性波動及異質性分布變化生成草地動態(tài)特征描述集。

29、可選的，所述s3具體包括：

30、s31、將動態(tài)變化特征描述集劃分為訓練數據集和驗證數據集，通過歸一化處理，將時空關聯參數和外部環(huán)境變量映射到統一的數值范圍，以適配深度神經網絡的輸入要求；

31、s32、構建多層深度神經網絡結構，包括輸入層、隱含層和輸出層，其中輸入層接收動態(tài)變化特征描述集中的關鍵特征，隱含層通過激活函數實現非線性特征轉換，輸出層生成草地生物量預測值：

32、y＝f(w3·g(w2·g(w1·x+b1)+b2)+b3)；

33、其中，x為輸入特征向量，w1,w2,w3為權重矩陣，b1,b2,b3為偏置向量，g(·)為激活函數，f(·)為輸出層的激活函數；

34、s33、結合多任務優(yōu)化算法，定義草地生物量預測任務的損失函數，損失函數由均方誤差和不確定性量化誤差組成：

35、l＝α·mse+β·uqe；

36、其中，α和β為任務權重參數，uqe為預測值的不確定性度量；

37、s34、采用反向傳播算法優(yōu)化網絡權重和偏置參數，根據損失函數的梯度更新原則調整網絡結構，逐步最小化預測誤差；

38、s35、對優(yōu)化后的模型進行驗證，利用驗證數據集計算預測結果的準確性指標，包括相關系數和相對誤差，使模型在草地異質性分布和多源數據特性下的適用性；

39、s36、將訓練和驗證完成的深度神經網絡模型作為最終的非線性生物量預測模型，生成草地生物量的空間分布估算結果。

40、可選的，所述s4具體包括：

41、s41、將通過預測模型生成的草地生物量分布結果與高分辨率遙感影像進行空間重疊分析，校準預測結果與影像的空間分布一致性；

42、s42、基于校準后的數據，利用區(qū)域分割技術對異質性草地區(qū)域進行分割處理，采用分水嶺算法，根據影像的光譜差異和地形變化特征生成初始分割區(qū)域；

43、s43、對初始分割區(qū)域進行優(yōu)化，結合邊緣檢測方法和形態(tài)學操作剔除過分割和欠分割的區(qū)域，優(yōu)化后的分割區(qū)域以矢量形式表示為：

44、ri＝{x|x∈ω,g(x)>τi}；

45、其中，ri為第i個分割區(qū)域，x為像素點，ω為全局研究區(qū)域，g(x)為區(qū)域內的像素特征函數，τi為分割閾值；

46、s44、結合分割區(qū)域，分析每一區(qū)域內的生物量分布特性，計算區(qū)域內生物量的均值和標準差，生成分區(qū)估算參數：

47、

48、其中，μi為第i個分割區(qū)域的生物量均值，σi為標準差，y(x)為像素點x的預測生物量值，|ri|為區(qū)域內像素數量；

49、s45、將分區(qū)估算參數與預測模型結果聯合生成精細化的草地生物量分區(qū)估算圖，記錄各區(qū)域的生物量分布及統計信息，用于捕捉草地復雜局部變化特性。

50、可選的，所述s5具體包括：

51、s51、將分區(qū)估算結果與多模態(tài)遙感數據整合，通過不確定性傳播模型分析每個數據源的誤差分布，采用誤差分布函數描述誤差來源的隨機特性：

52、

53、其中，e(x)為誤差分量，μe為誤差均值，為誤差方差；

54、s52、構建不確定性傳播公式，計算分區(qū)生物量估算結果的不確定性度量，通過誤差的傳播關系描述不確定性范圍：

55、

56、其中，u(y)為輸出的不確定性，y為生物量估算值，xi為輸入特征變量，σi為變量xi的標準差；

57、s53、利用不確定性量化優(yōu)化算法，基于優(yōu)化目標函數調整估算模型參數：

58、min[l(y)+γ·u(y)]；

59、其中，l(y)為估算值與實際觀測值之間的誤差損失函數，γ為不確定性權重參數；

60、s54、對優(yōu)化后的生物量估算結果進行驗證，分析區(qū)域內的均方誤差和標準化殘差分布，驗證優(yōu)化結果的不確定性水平是否滿足預定閾值條件；

61、s55、輸出優(yōu)化后的草地生物量估算結果，包括估算值及其對應的不確定性范圍。

62、可選的，所述s6具體包括：

63、s61、采集覆蓋目標區(qū)域的多時相衛(wèi)星遙感數據，獲取草地的宏觀動態(tài)變化信息，并結合無人機獲取的高分辨率影像數據，生成跨時間和空間尺度的遙感數據集；

64、s62、對跨尺度數據進行空間配準處理，利用多尺度配準算法將無人機影像細節(jié)信息與衛(wèi)星影像的宏觀覆蓋數據對齊，配準后的數據以聯合分辨率表示為：

65、d(x,t)＝fmerge(dsatellite(x,t),duav(x))；

66、其中，d(x,t)為時空聯合遙感數據，dsatellite(x,t)為衛(wèi)星數據，duav(x)為無人機影像數據，fmerge為數據融合函數；

67、s63、利用時空尺度補償算法，對聯合遙感數據中的時間和空間分辨率d(x,t)進行動態(tài)均衡，使無人機與衛(wèi)星數據在時間維度上的一致性和空間維度上的完整性；

68、s64、結合分區(qū)估算結果，基于動態(tài)更新模型優(yōu)化草地生物量的時空關聯參數，更新后的關聯參數矩陣可表示為：

69、p(t,x)＝α·pprev(t,x)+β·pnew(t,x)；

70、其中，p(t,x)為優(yōu)化后的關聯參數矩陣，pprev(t,x)為先前的參數，pnew(t,x)為新增數據的關聯參數，α和β為權重因子；

71、s65、基于更新后的時空關聯參數p(t,x)，生成優(yōu)化的草地生物量監(jiān)測結果，同時輸出動態(tài)變化趨勢圖，用于表征草地生物量在跨時空尺度上的變化規(guī)律。

72、可選的，所述s7具體包括：

73、s71、將優(yōu)化后的草地生物量監(jiān)測數據映射至高分辨率空間網格，對每一網格單元計算生物量的空間分布值：

74、

75、其中，b(x,y)為網格單元(x,y)的生物量值，bi(x,y)為監(jiān)測數據中對應單元的原始生物量值，wi為優(yōu)化后的權重因子；

76、s72、基于分布結果，構建高分辨率草地生物量空間分布圖，利用插值算法對未觀測區(qū)域進行填充并保持與觀測數據一致性；

77、s73、提取草地生物量在時間維度上的動態(tài)變化趨勢，對每一時序點的空間分布圖計算總體變化率：

78、

79、其中，rt為第t時刻的總體變化率，bt(xi,yi)和bt-1(xi,yi)分別為當前時刻和前一時刻的生物量值；

80、s74、對動態(tài)變化趨勢數據進行統計分析，生成區(qū)域內生物量增長率和下降率的分布圖，同時記錄異常變化區(qū)域；

81、s75、綜合空間分布圖和動態(tài)變化趨勢分析結果，生成草地生態(tài)系統的綜合評估報告。

82、可選的，包括如下模塊：

83、遙感數據獲取模塊：采集多模態(tài)遙感數據，包括無人機高分辨率影像、多時相衛(wèi)星遙感數據及其他輔助遙感數據；

84、數據預處理模塊：對遙感數據進行輻射校正、幾何校正和噪聲去除，生成標準化的遙感影像數據集；

85、特征提取模塊：從標準化遙感數據中提取光譜特征、紋理特征和幾何結構特征，并構建表征草地生態(tài)系統狀態(tài)的高維特征矩陣；

86、動態(tài)分析模塊：基于高維特征矩陣設計動態(tài)時空特征分析框架，采用時序變化分解和空間異質性聚類方法生成草地生物量的時空關聯參數；

87、預測建模模塊：結合深度學習算法和動態(tài)特征描述集訓練非線性生物量預測模型，以實現草地生物量的精準估算；

88、分區(qū)優(yōu)化模塊：通過高分辨率影像與預測模型結果的聯合分析，利用區(qū)域分割技術對異質性草地區(qū)域進行分層處理，生成精細化的草地生物量分區(qū)估算結果；

89、不確定性分析模塊：通過不確定性傳播分析和量化優(yōu)化算法，對監(jiān)測數據的誤差來源進行評估，并生成優(yōu)化后的生物量估算結果；

90、協同監(jiān)測模塊：通過無人機與衛(wèi)星遙感的協同監(jiān)測機制融合跨時空尺度數據，動態(tài)更新時空關聯參數，優(yōu)化草地生物量監(jiān)測結果；

91、評估與可視化模塊：生成高分辨率的草地生物量空間分布圖及動態(tài)變化趨勢分析結果，并提供草地生態(tài)系統綜合評估報告。

92、本發(fā)明的有益效果是：

93、本發(fā)明通過結合多模態(tài)遙感數據融合技術、深度學習神經網絡建模、動態(tài)時空特征分析和高分辨率影像分割技術，實現了對草地生物量的精準估算與動態(tài)監(jiān)測，使得系統能夠全面響應草地生態(tài)系統的復雜動態(tài)變化，特別是在異質性草地環(huán)境下有效提升監(jiān)測精度和適應能力。同時，利用不確定性量化分析與優(yōu)化算法，能夠對多源數據的不確定性進行評估和優(yōu)化，從而輸出更可靠的監(jiān)測結果。

94、本發(fā)明通過無人機與衛(wèi)星遙感的協同監(jiān)測機制，將高分辨率和多時相數據有機結合，動態(tài)更新草地生物量的時空關聯參數，顯著提升了監(jiān)測結果在時間維度的實時性和空間維度的完整性。這不僅解決了傳統方法在高分辨率與大范圍覆蓋之間的矛盾，還使得草地生物量的空間分布圖和動態(tài)變化趨勢的生成更加精準和高效。

95、本發(fā)明通過構建動態(tài)特征描述集和優(yōu)化的深度學習模型，為草地生物量的監(jiān)測提供了從特征提取到模型預測的全流程技術框架，能夠對草地生物量進行高分辨率的空間分布描述和時序動態(tài)趨勢分析。同時，結合自動化的區(qū)域分割與分區(qū)估算技術，捕捉草地復雜局部變化，提供全面且細致的草地生態(tài)評估，有效支持精準農業(yè)與草地生態(tài)管理的科學決策。